隨著社會的發(fā)展和技術(shù)的迅速革新,人們漸漸的由資訊不足的年代步入了信息過剩的時間段,處于這樣時代,不管是信息的生產(chǎn)者,還是說信息的使用者都面臨著前所未有的挑戰(zhàn):第一,對于前者而言,其想讓自己的給出的信息變得與眾不同,同時獲得許許多多的目光,是一個不簡單的過程;第二,對于后者而言,怎樣從龐大的信息中尋求有利于自身需求的,這同樣也是一個不簡單的過程。因此,對于如今網(wǎng)絡上能夠讓消費者觀看的電影數(shù)量的正成幾何倍數(shù)增加,其類型也是五花八門,常常用戶需要花費大量時間來尋找自己感興趣的電影。為了使用戶有更好的體驗感受,個性化推薦技術(shù)是一種有效的解決方法。如今,海量的數(shù)據(jù)庫中的信息增加和用戶的需求量也不斷增加,而曾經(jīng)的那些傳統(tǒng)推薦算法是以主要是單機形式,計算較為復雜,無法滿足海量數(shù)據(jù)的推薦計算。為了更好的解決推薦算法的可拓展性和準確性,本文設計的電影推薦系統(tǒng)選擇了具有高度容錯性的分布式文件系統(tǒng)HDFS作為底層文件系統(tǒng),同時選擇MapReduce作為海量數(shù)據(jù)處理工具。文中重點研究了基于內(nèi)容的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法和協(xié)同過濾推薦算法,在進行計算和分析對比后,發(fā)現(xiàn)基于項目的協(xié)同過濾算法能夠更好的反映... 

【文章來源】：大連理工大學遼寧省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 國外推薦系統(tǒng)發(fā)展歷程
        1.2.2 國內(nèi)推薦系統(tǒng)發(fā)展歷程
    1.3 本文研究的內(nèi)容與組織結(jié)構(gòu)
2 推薦系統(tǒng)的理論與技術(shù)研究
    2.1 推薦系統(tǒng)概述
    2.2 推薦系統(tǒng)的算法分析
        2.2.1 基于內(nèi)容的推薦
        2.2.2 關(guān)聯(lián)規(guī)則的推薦
        2.2.3 協(xié)同過濾的推薦
    2.3 系統(tǒng)所采用的主要技術(shù)介紹
        2.3.1 Hadoop簡介
        2.3.2 MySQL數(shù)據(jù)庫
        2.3.3 SSM架構(gòu)技術(shù)
        2.3.4 Maven
        2.3.5 Solr
3 系統(tǒng)需求分析
    3.1 功能性需求
    3.2 非功能性需求
        3.2.1 性能需求
        3.2.2 穩(wěn)定性需求
        3.2.3 準確性需求
        3.2.4 可維護性和擴展性需求
        3.2.5 安全性需求
        3.2.6 可靠性
4 系統(tǒng)設計
    4.1 系統(tǒng)總體架構(gòu)
    4.2 系統(tǒng)功能設計
    4.3 系統(tǒng)詳細設計
        4.3.1 登錄模塊
        4.3.2 電影規(guī)格參數(shù)
        4.3.3 電影搜索
        4.3.4 用戶對電影評分
        4.3.5 為用戶提供個性化推薦
    4.4 數(shù)據(jù)庫設計
        4.4.1 實體描述及E-R圖
        4.4.2 數(shù)據(jù)庫表結(jié)構(gòu)
    4.5 Hadoop平臺上的分布式協(xié)同過濾算法的設計
        4.5.1 傳統(tǒng)協(xié)同過濾算法在Hadoop平臺上的可行性
        4.5.2 Hadoop平臺上的分布式協(xié)同過濾算法的設計
5 系統(tǒng)的實現(xiàn)與測試
    5.1 系統(tǒng)環(huán)境搭建
    5.2 系統(tǒng)功能實現(xiàn)
        5.2.1 用戶登錄模塊實現(xiàn)
        5.2.2 電影詳情頁面展示模塊實現(xiàn)
        5.2.3 用戶搜索模塊實現(xiàn)
        5.2.4 用戶評分模塊實現(xiàn)
        5.2.5 個性化推薦模塊實現(xiàn)
        5.2.6 后臺電影信息管理界面
    5.3 實驗及分析
        5.3.1 數(shù)據(jù)集
        5.3.2 實驗評估方法
        5.3.3 實驗結(jié)果及分析
    5.4 系統(tǒng)測試
結(jié)論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]推薦系統(tǒng)研究進展[J]. 朱揚勇,孫婧.  計算機科學與探索. 2015(05)
[2]個性化推薦系統(tǒng)中協(xié)同過濾方法的研究[J]. 趙智,韓丹.  電腦知識與技術(shù). 2014(27)
[3]推薦系統(tǒng)研究綜述[J]. 李斌.  現(xiàn)代計算機(專業(yè)版). 2014(03)
[4]電子商務推薦系統(tǒng)綜述及發(fā)展研究[J]. 趙良輝,熊作貞.  電子商務. 2013(12)
[5]Hadoop環(huán)境下的分布式協(xié)同過濾算法設計與實現(xiàn)[J]. 肖強,朱慶華,鄭華,吳克文.  現(xiàn)代圖書情報技術(shù). 2013(01)
[6]一種電影個性化推薦系統(tǒng)的研究與實現(xiàn)[J]. 錢程,陽小蘭.  計算機與數(shù)字工程. 2011(08)
[7]個性化推薦中一種新的相似性計算方法[J]. 龔松杰.  計算機系統(tǒng)應用. 2008(07)

博士論文
[1]推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D]. 郭艷紅.大連理工大學 2008

碩士論文
[1]基于協(xié)同過濾的分布式電影推薦系統(tǒng)設計與實現(xiàn)[D]. 劉歡天.西安電子科技大學 2015
[2]基于Hadoop的全分布式存儲架構(gòu)研究[D]. 劉衍森.西安電子科技大學 2013
[3]基于Hadoop的海量數(shù)據(jù)處理模型研究和應用[D]. 朱珠.北京郵電大學 2008



本文編號：3631804